随着机械设备向大型化、复杂化和自动化发展,机械设备的故障诊断技术显得日益重要。旋转机械是机械设备的重要组成部分,旋转机械的故障识别也成为重中之重。而在故障发生的初期阶段就识别故障,并采取相应措施,是非常有必要的,不仅可以提高经济效益,还可以减少事故的发生。本文主要是对旋转机械故障的早期识别方法进行研究,基于小波分析和盲源分离研究了三种旋转机械的早期故障识别方法,并在开发平台LabVIEW上开发了旋转机械在线监测与故障诊断系统。本文首先研究了一种基于连续小波变换的早期故障识别方法,根据小波熵选择最优尺度,然后对该尺度进行小波重构,并对重构信号进行包络谱分析,从而识别故障。本文利用仿真信号和弱故障轴承的实测信号进行验证分析,都能准确、有效地识别故障。由于基于连续小波变换的小波重构算法只是对信号的低频部分进行分解,而对高频部分没有分解,于是又研究了基于小波包分解的频带优化方法来识别旋转机械早期故障,其中小波包分解的子频带是同时对低频和高频部分进行分解。首先对故障信号和参考信号同时进行小波包分解,然后分别计算对应子频带的峭度差,根据仿真信号和实测信号的验证分析,峭度差最大的频带即为最优频带,对最优频带的子信号进行包络分析,可以很好的识别旋转机械的早期故障。针对多振动源而采集通道有限的振动信号分析,本文基于时频分析研究了单通道信号的肓源分离方法。首先对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将单通道信号与最优观察信号组成新的多通道信号进行基于时频分析的盲源分离。本文具体地阐述了基于时频分析的盲源分离算法,并对仿真信号和齿轮箱故障信号进行验证分析,并通过与传统的基于独立分量分析的盲源分离算法进行对比,发现基于时频分析的盲源分离算法对混合信号具有更好的分离效果。基于LabVIEW平台开发了旋转机械的状态监测与故障识别系统。通过LabVIEW二次开发AVANT MI-7016数据采集仪可以实现8个通道的数据采集,并进行在线监测显示振动信号的棒图、时域和频域,通过数据存储又可以实现对信号的离线分析,如趋势分析、时域分析、频域分析和小波分析。